Standart Eşitleme Hatası – İstatistik Alanları- İstatistik Fiyatları – Ücretli İstatistik – İstatistik Yaptırma
Standart Eşitleme Hatası
Yukarıda hesaplanan eşitleme fonksiyonunun SEE’sini hesaplamak için, Bölüm 5’ten Teorem 5.4’ü uygulayacağız.
Cr ve Cs matrisleri Bölüm 3.2.1, (3.10) ve (3.11) ‘de tanımlanmış ve bu bölümün örneğinde Tablo 7.3’te verilmiştir. Bu nedenle, EG Tasarımında, SEE’nin hesaplama bileşenleri G ′, || ∂F C || 2 ve || ∂GC || 2. ∂F / ∂rC ve ∂G / ∂sC vektörleri sırasıyla Tr ve Ts boyutunun ∂rr∂ss rs’si, bu örnekte 2 ve 3’tür.
∂F / ∂r ve ∂G / ∂’ler için formüller Bölüm 5’te Lemma 5.2’de verilmiştir. Tablo 7.6, çeşitli skorlarda değerlendirilen hem X’den Y’ye hem de Y’den X’e eşit olan iki eşitleme fonksiyonunun standart eşitleme hatasını gösterir. değerler. Bu örnekte, SEE’nin ham puanı 0,07 ile 0,28 arasında değişmektedir. Şekil 7.6’da, yalnızca X’den Y’ye eşitleme işlevi için SEE’yi çiziyoruz.
Eˆ (x) ve Lin (x) YY Arasında Karar Verme
(4.26) ve Teorem 1.1’in birleştirilmesi, bant genişlikleri hX ve hY’nin her ikisi de büyüktür, KE eşitleme işlevi, standart doğrusal eşitleme fonksiyonu çünkü Teorem 1.1’deki şekil farkı fonksiyonu neredeyse aynı şekilde sıfırdır. Bu örnekte hX = hY = 20 seçilerek hesaplanmıştır.
R (x) = eY (x) – LinY (x),
Bu, KE tahmini eşitleme fonksiyonunun, ˆY (x), KE tahmini doğrusal denklem fonksiyonundan, LinY (x) ne kadar farklı olduğunu gösterir. Bu durumda, 0 ile 20 arasındaki X-raw skor aralığında çok uzak değildirler.
Bu küçük farkın belirsizliğine kıyasla nasıl olduğunu değerlendirmek için, onu, tanımlanan farkı eşitlemenin standart hatası olan ± 2SEED (x) ile birlikte çizeriz.
JLinY’nin formülü, bu örnekteki hX = hY = 20 farkıyla JeY ile aynıdır. TOHUM için yararlı bir hesaplama formülü üretmek için formül (7.8), türetdiğimiz (7.5) ile tamamen aynı şekilde basitleştirilebilir.
Bu örnek, en yüksek iki ham puan dışında tümü için doğrusal eşitleme işlevinin eğrisel eşitleme işlevine kabul edilebilir bir alternatif olduğunu göstermektedir. Bununla birlikte, x = 19 ve 20 için fark, LinY (x) ve eˆY (x) arasındaki farkın standart hatasının iki katını aşar. Bu, bu durumda LinY yerine eˆY seçimini desteklemek için kullanılabilir.
Outlook eşitleme günlüğü kapatma
OneDrive eşitleme sorunu
Outlook eşitleme sorunu kaldırma
Outlook Exchange eşitleme sorunu
Microsoft Outlook Sunucudan veri istiyor hatası
IMAP eşitleme sorunu
Outlook 2016 klasör güncellenmiyor
Outlook çevrimdışı öğeleri temizle
Tek Gruplu Tasarım
Bu bölüm, Tek Grup (SG) Tasarımı için Kernel Equating (KE) ‘nin beş adımının nasıl gerçekleştirileceğini gösterir. Bölüm 2.12’de, bu tasarımın altında yatan varsayımları ve eşitleme fonksiyonunu hesaplamak için tahmin edilmesi gereken popülasyon parametrelerini tartıştık.
Holland ve diğerlerinden bir örnek kullanarak SG Tasarımı için KE’yi gösteriyoruz. (1989). Bu verileri kullanarak 3., 4. ve 5. Bölümlerde açıklanan adımların ayrıntılarını inceleyeceğiz.
Tablo 8.1, her ikisi de ulusal bir sınava giren kişi popülasyonundan bir örneğe tek bir uygulamada verilen iki paralel, 20 maddelik matematik testi için sayı-doğru puanlarının ham örnek frekanslarını vermektedir. Tablo 8.1’deki veriler, Tablo 8.2’de verilen iki değişkenli frekansların marjinal frekanslarıdır.
Örnekteki her bir sınava giren kişinin iki test puanı olduğundan, örnek veriler iki değişkenli (X, Y) -frekanslardan, yani, njk = X = xj ve Y = yk olan sınava girenlerin sayısı bu örnekte, x1 = 0, x2 = 1, …, x21 = 20; benzer şekilde, yk için hesaplanır.
Tablo 8.1’in altındaki özet istatistiklerden, ortalama 10.39 (± 0.1) olan Y testinin, ortalama 10.82 (± 0.1) olan test X’ten daha zor bir ham puan puanının yaklaşık yarısı olduğunu görebiliriz. . Tablo 8.2, gözlemlenen iki değişkenli dağılımı göstermektedir. Bu örnek için, X ve Y arasındaki örnek korelasyon 0.775’tir.
Ham numune oranları (njk / N), X ve Y’nin birleşik dağılımının popülasyon parametreleri pjk’nin düzleştirilmemiş tahminleridir.
Ön Düzeltme
Pjk’nin bir log-lineer modeli izlediği varsayılır. Log-lineer model forma sahiptir. İlk olarak, modeli (8.1) βXY’yi sıfıra ayarlayarak uydururuz (yani, X ve Y’nin marjinal dağılımlarının bağımsız olduğunu varsayarak). Bu, (7.1) ve (7.2) ‘den olanlara benzer şekilde, X ve Y’nin marjinal dağılımlarına ayrı ayrı uyan modellere eşdeğerdir.
Bu şekilde, ilk olarak her marjinal dağılıma uyacak en uygun parametre sayısını, yani momentleri buluruz. Bu örnekte, Freeman-Tukey kalıntılarının boyutuna bağlı olarak TX = TY = 3’ü seçmeye karar verdik (bkz. Tablo 8.3).
İkinci olarak, modeli (8.1) ‘den TX = TY = 3 ile uyduruyoruz. Bu model, iki (tek değişkenli) marjinal dağılım için ilk üç momente (ortalama, varyans ve çarpıklık) ve etkileşim için bir an (yani, X ve Y arasındaki korelasyon) uyar. Tablo 8.3, iki tek değişkenli (marjinal) dağılım için uygun frekansları ve Freeman-Tukey kalıntılarını göstermektedir.
(8.1) ‘deki model için olasılık oranı ki-kare istatistiği 433 nominal serbestlik derecesinde 242.73’tür. Nominal serbestlik dereceleri bu örnekte pek yardımcı olmamaktadır çünkü bir dizide Tablo 8.2’de gösterilen kadar büyük birçok çok küçük uydurulmuş ve gözlemlenmiş değer vardır. Olasılık oranı ki-kare istatistiğinin gözlenen değerinin 433 serbestlik dereceli ki-kare dağılımından çok daha küçük olduğu açıktır.
Modelin uygunluğuna daha iyi bakmak için, iki marjinal dağılım için Freeman-Tukey (FT) kalıntılarını Tablo 8.3’te inceliyoruz. Modeller uygun şekilde uyuyorsa, bu kalıntılar kabaca bağımsız standart Normal sapmalar gibi davranmalıdır. Bu artıklar, X takılı frekanslar için -1.68 ile +1.88 arasındadır. Y uyumlu frekanslar için, Y = 0, 1 ve 20 için gözlemlenen sıfır frekanslarına karşılık gelen üç büyük FT kalıntısı vardır.
Bu Y değerleri için FT kalıntıları −2.19, -3.70 ve −3.44’tür. Bu modellerden uyan olasılıkların, Bölüm 3’te açıklanan “tutarlılık” ve “kararlılık” anlamında nüfus dağılımlarının geliştirilmiş tahminleri olduğu sonucuna vardık, ancak Y’nin uç değerleri için bazı sorunlar olabilir.
Tablo 8.1 ve 8.3’ün altındaki özet istatistikleri karşılaştırdığımızda, X-skoru ve Y-skor dağılımları için “üç-an uyumu” nun ortalamayı, standart sapmayı ve çarpıklığı koruduğunu ancak basıklığı değil, yapmaları beklendiği gibi. Ek olarak, Tablo 8.4’teki iki değişkenli yerleştirilmiş dağılım, Tablo 8.2’deki ham frekanslarla aynı korelasyona (0.775) sahiptir. X ve Y’nin gözlemlenen ve takılan marjinal dağılımları Şekil 8.1 ve Şekil 8.2’de çizilmiştir.
